根據Kimberlite的研究，一(yī)年中僅3.65天的計劃外停機就(jiù)能(néng)讓一(yī)家石油和天然氣公司損失503.7萬美元。一(yī)家海上(shàng)石油和天然氣公司平均每年會經曆約27天的計劃外停機，這(zhè)可能(néng)會造成3800萬美元的損失。在某些(xiē)情況下(xià)，這(zhè)個(gè)數字可能(néng)高達8800萬美元。

 

　　為(wèi)了(le)消除設備意外故障的風(fēng)險并最大化(huà)資産回報(bào)率，石油和天然氣公司正在尋求新(xīn)的、更有效的維護方法。在本文，我們将介紹為(wèi)什(shén)麽需要考慮基于工業物聯網（IIOT）的預測性維護解決方案。

 

　　它是如(rú)何工作(zuò)的？

 

　　簡而言之，工業物聯網驅動的預測性維護利用從設備傳感器(qì)（例如(rú)溫度、振動、流量傳感器(qì)等）獲取的數據來(lái)識别設備行為(wèi)是否存在異常，并預測設備是否有可能(néng)在某個(gè)時(shí)間(jiān)段内發生(shēng)故障。簡單流程如(rú)下(xià)：

 

 

　　第一(yī)步、收集物聯網數據

　　預測性維護始于在傳感器(qì)的幫助下(xià)從設備的潛在故障點（例如(rú)真空泵的軸承）收集數據。最好(hǎo)有一(yī)個(gè)數據集來(lái)說(shuō)明設備在其整個(gè)生(shēng)命周期中的健康狀況和性能(néng)，并顯示可識别的故障。數據科學家将使用這(zhè)些(xiē)數據集作(zuò)為(wèi)創建預測模型的基礎。

 

　　第二步、添加上(shàng)下(xià)文

　　為(wèi)了(le)提高未來(lái)預測模型的可靠性和準确性，物聯網數據需要與設備元數據（模型、配置、操作(zuò)設置等）、設備使用曆史和維護數據相結合。這(zhè)些(xiē)數據可以從ERP、EAM、EMS和其他企業系統中獲取。

 

　　第三步、尋找模式

　　數據科學家研究物聯網和上(shàng)下(xià)文數據的組合數據集，以确定相關(guān)性，并對可能(néng)導緻故障的故障信号和使用模式進行技術假設。

 

　　第四步、創建預測模型

　　該階段的本質歸結為(wèi)通過機器(qì)學習算(suàn)法運行組合數據集，以識别設備故障模式，并在此基礎上(shàng)構建預測模型。這(zhè)些(xiē)模型經過精确性測試，一(yī)旦被批準，将用于預測設備故障的可能(néng)性。

　　随着越來(lái)越多的數據變得可用，這(zhè)些(xiē)模型将被更新(xīn)、重新(xīn)訓練和再次測試，以使它們準确并能(néng)代表現(xiàn)實。

 

　　要維護什(shén)麽？

　　工業物聯網有能(néng)力提高設備生(shēng)産效率，減少石油和天然氣行業三個(gè)領域的計劃外停機時(shí)間(jiān)：上(shàng)遊（勘探和開采）、中遊（運輸和儲存）和下(xià)遊（煉油和加工）。

 

　　上(shàng)遊

　　平均而言，42%的開采、勘探和鑽探設備使用時(shí)間(jiān)超過15年，并且隻能(néng)以其最高生(shēng)産率的77％進行工作(zuò)。為(wèi)了(le)緩解這(zhè)一(yī)缺陷，上(shàng)遊石油和天然氣公司可以利用工業物聯網驅動的預測性維護。

 

　　在上(shàng)遊，工業物聯網驅動的預測性維護用于監測勘探、開采和鑽井設備及其部件的健康狀況：潛水泵、分(fēn)離器(qì)、冷凝器(qì)、壓力閥、熱交換器(qì)、壓縮機、渦輪機等。

 

　　為(wèi)此，潛在故障點配備有壓力、溫度、扭矩、振動、流量和其他類型的傳感器(qì)。預測性維護解決方案接收傳感器(qì)讀數，将其與上(shàng)下(xià)文數據相結合，通過機器(qì)學習算(suàn)法運行數據集，并創建預測模型，然後用于識别設備故障并提供有關(guān)問題發展的預警通知。

 

　　中遊

　　中遊企業利用工業物聯網來(lái)确保管道、原油處理(lǐ)系統和氣體(tǐ)處理(lǐ)設備的安全性和可靠性。光纖分(fēn)布式聲音(yīn)傳感器(qì)、超聲波傳感器(qì)和溫度傳感系統監測液體(tǐ)（例如(rú)原油）洩漏的聲音(yīn)變化(huà)信号，而碳氫化(huà)合物傳感電纜則可用于監測碳氫化(huà)合物洩漏。

　　來(lái)自傳感器(qì)的數據與上(shàng)下(xià)文數據相結合，并根據預測模型進行分(fēn)析。一(yī)旦監測到傳感器(qì)讀數出現(xiàn)異常偏差，工業物聯網解決方案就(jiù)會觸發警報(bào)，并通知維護專家管道故障。

 

　　下(xià)遊

　　僅在美國，由于計劃外停機，煉油廠就(jiù)損失了(le)66億美元。停機的主要原因之一(yī)是煉油廠設備維護不善。

 

　　在下(xià)遊，需要維護的一(yī)些(xiē)最關(guān)鍵和最常見的部件是石油蒸餾裝置、柴油加氫處理(lǐ)裝置、流化(huà)催化(huà)裂化(huà)裝置和硫回收裝置中的泵和壓縮機，以及原油裝置中的預熱機組。

 

　　将來(lái)自潛在故障點的振動、溫度和流量傳感器(qì)的數據與生(shēng)産和環境數據相結合，并将這(zhè)些(xiē)數據與預測模型相關(guān)聯，煉油廠就(jiù)能(néng)在問題出現(xiàn)之前預測部件是否可能(néng)出現(xiàn)故障。

 

　　好(hǎo)處

　　應用工業物聯網驅動的預測性維護解決方案有助于石油和天然氣公司獲得巨大收益，包括：

 

　　▲提高資産可靠性并推動成本節約

　　物聯網驅動的預測性維護解決方案有助于石油和天然氣公司在設備故障對其公司的安全水平和利潤産生(shēng)重大影響之前進行預測。施耐德電氣公司報(bào)告稱，應用物聯網支持的預測性維護解決方案可幫助公司節省400萬美元。

 

　　▲提高運營效率

　　物聯網驅動的預測性維護解決方案通過提高操作(zuò)的靈活性和敏捷性來(lái)提高資産利用率和生(shēng)産力。通過比較多種設備的運行數據，物聯網解決方案有助于評估機器(qì)的利用率，确定最佳性能(néng)周期，并建立最佳實踐，以改善整個(gè)油氣供應鏈（從勘探到精煉）的性能(néng)。

 

　　▲減少環境足迹

　　雖然石油和天然氣行業産生(shēng)了(le)29%的甲烷排放(fàng)，但(dàn)甲烷的溫室效應是二氧化(huà)碳的86倍。僅在美國，由于洩漏，石油和天然氣行業每年都會向環境中排放(fàng)100萬噸甲烷污染物。工業物聯網幫助石油和天然氣公司識别并減少管道洩漏，從而減少對環境的破壞。

 

　　挑戰和局限性

　　盡管石油和天然氣行業是預測性維護解決方案的最有希望和最成功的采用者，但(dàn)仍有一(yī)些(xiē)局限性使采用變得複雜：

 

　　▲将傳統設備連接到物聯網解決方案

　　石油和天然氣公司多年來(lái)一(yī)直在使用諸如(rú)SCADA（監控和數據采集）這(zhè)樣的管理(lǐ)系統。然而，80%的傳統設備連接到本地網絡，并且不能(néng)跨TCP/IP網絡運行。盡管有物理(lǐ)網關(guān)可以在傳統系統和新(xīn)協議(yì)之間(jiān)轉換，但(dàn)集成挑戰仍有待解決。

 

　　▲需要有足夠數量的資産數據

　　為(wèi)了(le)進行可靠的預測，需要在機器(qì)的整個(gè)生(shēng)命周期中收集傳感器(qì)數據集，并指示可識别的故障。收集所需的數據量可能(néng)需要長達一(yī)年的時(shí)間(jiān)，這(zhè)可能(néng)會延遲解決方案的實施。

 

　　▲在網絡覆蓋率低(dī)的地區工作(zuò)

　　石油和天然氣作(zuò)業需要多種多樣的複雜資産，這(zhè)些(xiē)資産往往在網絡信号差的偏遠(yuǎn)、難以進入的地區運行。通信網絡中斷可能(néng)會導緻資産數據不可用或延遲可用，從而導緻錯過故障信号，并最終導緻設備故障。

 

　　總結

　　物聯網驅動的預測性維護可用于提高整個(gè)石油和天然氣行業的設備可靠性，從勘探和開采開始，經過存儲和運輸，直到精煉和加工。美國能(néng)源部表示，将物聯網驅動的解決方案應用于設備維護，有助于石油和天然氣公司将産量提高25%，維護成本降低(dī)30%，設備停機時(shí)間(jiān)減少45%。

 

　　聲明：本文源自電子(zǐ)說(shuō)，版權歸原作(zuò)者或原出處所有。